decompose videos into three distinct types of conditions: textual conditions, spatial conditions, temperal conditions

1. 条件的内容：
   a. textual condition: coarse grained visual content and motions, 使用openclip vit-H/14的text encoder
   b. spatial condition: the goal is to achieve fine-grained spatial control
   ⅰ. single image: a single image reveal the content and structure of this video, 使用视频的第一帧作为图生视频的spatial条件
   ⅱ. single sketch: 使用PiDiNet提取第一帧的sketch
   ⅲ. style: 为了将一张图片的风格迁移到视频，以图片的embedding作为条件，使用OpenCLIP ViT-H/14的image encoder
   c. temporal conditions:
   ⅰ. motion vector: 光流图
   ⅱ. depth sequence: 使用预训练的深度估计模型来提取深度
   ⅲ. mask sequence：为了editing和inpaint任务
   ⅳ. sketch sequence
2. 条件的处理：所有的condition根据是否经过STC-encoder分为两类，一类是text和style(image embedding)，通过cross attention来进行交互，另一类经过STC-encoder的condition，处理后的尺寸和视频的latent一样，所有的condition先首先element-wise add操作，之后和$x_t$进行拼接输入到网络当中；
3. 训练策略：两阶段训练，首先是预训练阶段，然后是带条件的视频生成训练；
4. 推理：使用classifier free guidance ${\widehat{ϵ}}_{\theta }(z_t,c,t)={ϵ}_{\theta }(z_t,c_1,t)+w({ϵ}_{\theta }(z_t,c_2,t)-{ϵ}_{\theta }(z_t,c_1,t))$其中$c_1$和$c_2$是两组条件，强调$c_2-c_1$的条件，例如在text-driven video inpainting当中，$c_2$表示caption+masked video，$c_1$表示masked video；
5. 实验：
   a. 数据：使用了两个数据集webvid10M和LAION-400M
   b. 评价指标：
   ⅰ. 帧间一致性指标：计算相邻两帧的CLIP cosine similarity
   ⅱ. motion control: 计算像素的预测光流和GT的欧式距离；
   c. 首先展示了模型在组合控制条件来控制视频生成上面的能力，包括图生视频（+text)和视频inpainting以及根据sketch生成视频的能力，并展示相应的可视化效果；
   d. 展示motion control的能力：
   e. 消融实验：验证STC-encoder的有效性